最終更新日：2026年8月26日
gk 機械学習 評価指標 頻出
G検定トップ
＞ Recall（再現率）とは？見逃しを評価する指標【G検定対策】
まず結論
Recall（再現率）は、実際に陽性だったもののうち、どれだけを正しく陽性として拾えたかを見る指標です。
Recall = TP / (TP + FN)
G検定では、まず次で切ります。
見逃し（FN）を減らしたい → Recall
直感的な説明
Recallは、本当に見つけるべきものを、どれだけ取りこぼさず拾えたかを見る指標です。
例えば、本当に異常なデータが100件あり、そのうち90件を検出できたなら、Recallは90%です。
一方で、正常データまで大量に「異常」と判定していても、Recallだけではその誤検知の多さは分かりません。
拾い漏らしを減らす
→ Recall
無駄な陽性判定を減らす
→ Precision
定義・仕組み
混同行列では、Recallは 実際に陽性だった側 を見ます。
| 予測：陽性 | 予測：陰性 | |
|---|---|---|
| 実際：陽性 | TP | FN |
| 実際：陰性 | FP | TN |
- 分母：実際に陽性だったもの（TP + FN）
- 分子：その中で正しく陽性と予測できたもの（TP）
したがって、Recallは 実際の陽性を基準にした検出率 です。
TNは式に直接入りません。
いつ使う？（得意・不得意）
得意なこと
- 医療スクリーニングなど、見逃しを避けたい場面
- 重大故障や異常の検知
- 不正検知や侵入検知など、危険事象を漏らしたくない場面
苦手・注意点
Recallを高くするために多くのものを陽性判定すると、FPが増えて誤検知が多くなることがあります。
そのため、実際にはPrecision（適合率）やF1-scoreと合わせて確認します。
G検定ひっかけポイント
| 指標 | 分母 | 見ているもの |
|---|---|---|
| Precision | 予測陽性（TP + FP） | 陽性予測の信頼性 |
| Recall | 実際陽性（TP + FN） | 陽性を拾えた割合 |
| Accuracy | 全データ | 全体の正解率 |
| F1-score | PrecisionとRecall | 両者のバランス |
判断するときは、分母を見ると混同しにくくなります。
- 「見逃し」「取りこぼし」「FNを減らす」→ Recall
- 「誤検知」「FPを減らす」→ Precision
- Recallが高いことは、Precisionが高いことを意味しない
- RecallとTPR（True Positive Rate）は同じ指標
まとめ（試験直前用）
- Recall = TP / (TP + FN)
- 分母は 実際に陽性だったもの
- キーワードは 見逃し（FN）を減らす
- Precisionは「予測陽性」、Recallは「実際陽性」が基準
- 見逃しも誤検知も重要ならF1-scoreも確認する